Modèle
Qwen-Image, Z-Image et FLUX.2 [klein] : Les différences entre trois routes d'images ouvertes
Ouvrir l'aperçu du modèle d'image/de la technologie
Ouvrir l'aperçu du modèle d'image/de la technologie
© 2026 TelkNet. Tous droits réservés.
MODÈLES D'IMAGE OUVERTS / ANALYSE TECHNIQUE
Les modèles d'image ouverts ne se distinguent plus seulement par le réalisme d'une image générée. Qwen-Image concentre sa capacité sur la typographie complexe et une édition à double encodage ; Z-Image construit un DiT à flux unique de 6B et le distille jusqu'à huit évaluations du réseau ; FLUX.2 [klein] réunit génération et édition multi-références dans un modèle rectified flow compact en quatre étapes. Tous trois appartiennent à la même génération de sorties, mais investissent leur capacité dans des problèmes différents.
Un objectif de flow matching compact s'écrit L_FM=E||v_θ(x_t,t,c)-u_t||². Moins d'étapes réduit les évaluations de fonction, mais un modèle distillé et un modèle non distillé ne se comparent pas au seul nombre d'étapes.
Qwen-Image mise sur le rendu de texte complexe et une édition précise. Z-Image-Turbo distille la trajectoire de génération. FLUX.2 Klein ajoute plusieurs images de référence à sa condition d'édition. Le nombre de paramètres comme le nombre d'étapes relèvent de chaque projet et ne se classent pas sans préciser le type d'entrée et la tâche.
Le rendu du texte est resté difficile alors même que la qualité générale des images progressait, parce qu'un mot n'est pas une texture comme les autres. L'ordre des caractères, la forme des glyphes, les sauts de ligne et la mise en page doivent se satisfaire en même temps. Qwen-Image y répond par un vaste pipeline de données et un curriculum qui avance des chaînes simples vers des descriptions au niveau du paragraphe.
L'édition expose un second conflit : le modèle doit modifier ce que l'instruction désigne tout en préservant l'identité, la matière et les régions intactes. Qwen-Image encode la source via Qwen2.5-VL et un VAE, pour l'information sémantique et reconstructive. Z-Image et FLUX.2 [klein] organisent ces conditions autrement, et c'est pourquoi l'étiquette commune de « modèle d'image » masque des choix d'architecture importants.
M_peak≈M_weights+M_text+M_VAE+M_attn(H,W)+M_samplerM_weightspoids du modèleM_attn(H,W)état d'attention dépendant du canevasM_sampleréchantillonneur et état latentLe nombre de paramètres décrit la capacité du modèle sans déterminer directement le coût d'une image. À mesure que le canevas grandit, les intermédiaires d'attention et les caractéristiques du VAE croissent avec les jetons spatiaux, tandis que composition, typographie et détail dépendent aussi du réglage d'échantillonnage.
Qwen-Image repose sur un MMDiT de 20B, Z-Image sur un DiT à flux unique et extensible de 6B, et FLUX.2 [klein] sur un transformeur rectified flow de 9B avec un encodeur de texte Qwen3 de 8B. Le coût d'un canevas combine donc la longueur de la séquence spatiale avec des largeurs de modèle et des trajectoires d'échantillonnage très différentes.
Articles, code et poids se suivent via Qwen-Image, Z-Image et la fiche du modèle FLUX.2 Klein 9B.
La comparaison utile n'est pas un score esthétique unique. C'est la façon dont chaque projet organise ses conditions, le stade de checkpoint qu'il publie, et ce que la distillation y change.
| Modèle | Architecture ou preuve | Portée |
|---|---|---|
| Qwen-Image | 20B MMDiT ; encodage sémantique et VAE de la source pour l'édition | Apache 2.0 ; publications distinctes pour la génération et l'édition |
| Z-Image | 6B S3-DiT ; jetons texte, visuels-sémantiques et VAE dans un même flux | Apache 2.0 ; branches base, Turbo à huit NFE et édition |
| FLUX.2 [klein] 9B | Rectified flow 9B avec encodeur de texte Qwen3 8B ; distillation en quatre étapes | Poids 9B non commerciaux ; édition multi-références unifiée |
Un générateur émet des pixels, pas des objets-caractères éditables. Il doit deviner la chaîne demandée, en choisir l'échelle et la perspective, puis reconstruire chaque trait sur le canevas latent. Plus le texte s'allonge, moins l'erreur locale a de marge, et les glyphes chinois ajoutent une structure de traits dense. L'entraînement typographique améliore cette chaîne sans transformer la sortie en document de composition.
La résolution donne aux petits glyphes davantage de jetons spatiaux, mais allonge aussi la séquence visuelle et grossit l'état d'attention. Un texte plus net et un calcul plus lourd montent donc ensemble ; une trajectoire distillée peut aussi préserver la grande composition tout en perdant les derniers traits.
Qwen-Image et Z-Image s'appuient sur des dépôts Apache 2.0. FLUX.2 [klein] 9B est publié sous la FLUX Non-Commercial License. Des poids téléchargeables n'accordent donc pas les mêmes droits pour l'usage commercial, la redistribution ou l'entraînement dérivé.
La fiche du modèle FLUX.2 précise aussi que le texte rendu peut être inexact et que le modèle ne fournit pas d'information factuelle. Un chiffre lisible dans une infographie reste un contenu généré, pas une preuve de l'affirmation imprimée à côté.
Les noms de modèles, les chiffres et les limitations renvoient aux articles, dépôts ou fiches de modèle ci-dessous.